Meet YOLO26: next-gen vision AI.

Link to this sectionYOLO26デプロイオプションの比較分析#

Link to this sectionはじめに#

YOLO26の道のりは非常に長いものでした。あなたは熱心にデータを収集し、綿密にアノテーションを行い、時間をかけてカスタムYOLO26モデルのトレーニングと厳密な評価を行ってきました。いよいよ、モデルを特定のアプリケーション、ユースケース、またはプロジェクトで活用する時が来ました。しかし、ここで「モデルをどのように効果的にエクスポートし、デプロイするか」という重要な決断に直面しています。



Watch: How to Choose the Best Ultralytics YOLO26 Deployment Format for Your Project | TensorRT | OpenVINO 🚀

本ガイドでは、YOLO26のデプロイオプションと、プロジェクトに最適なオプションを選択するために考慮すべき重要な要素を解説します。

Link to this sectionYOLO26モデルに最適なデプロイオプションを選択する方法#

YOLO26モデルをデプロイする際、適切なエクスポート形式を選択することは非常に重要です。Ultralytics YOLO26モードドキュメントで概説されているように、model.export()関数を使用すると、トレーニング済みモデルを多様な環境やパフォーマンス要件に合わせてさまざまな形式に変換できます。

理想的な形式は、モデルの運用コンテキスト、速度、ハードウェア制約、統合の容易さのバランスによって決まります。手動でのエクスポートを行わないマネージドデプロイメントについては、Ultralytics Platformが43のグローバルリージョンでオートスケーリング可能な、すぐに使用できる推論エンドポイントを提供しています。次のセクションでは、各エクスポートオプションを詳しく見ていき、それぞれの選択基準を理解します。

Link to this sectionYOLO26のデプロイオプション#

YOLO26のさまざまなデプロイオプションについて説明します。エクスポートプロセスの詳細なチュートリアルについては、Ultralyticsのエクスポートに関するドキュメントページをご覧ください。

Link to this sectionPyTorch#

PyTorchは、ディープラーニングや人工知能のアプリケーションで広く使用されているオープンソースの機械学習ライブラリです。高い柔軟性と速度を提供するため、研究者や開発者の間で人気があります。

  • パフォーマンスベンチマーク: PyTorchはその使いやすさと柔軟性で知られていますが、より専門化され最適化された他のフレームワークと比較すると、生のパフォーマンスにおいてわずかなトレードオフが生じる可能性があります。
  • 互換性と統合: Pythonのさまざまなデータサイエンスおよび機械学習ライブラリとの優れた互換性を提供します。
  • コミュニティサポートとエコシステム: 最も活発なコミュニティの1つであり、学習やトラブルシューティングのための豊富なリソースがあります。
  • ケーススタディ: 研究用プロトタイプで一般的に使用されており、多くの学術論文がPyTorchでデプロイされたモデルを参照しています。
  • メンテナンスとアップデート: アクティブな開発が行われており、新機能のサポートを含む定期的なアップデートが提供されています。
  • セキュリティ上の考慮事項: セキュリティ問題に対する定期的なパッチが提供されていますが、セキュリティはデプロイされる環境全体に大きく依存します。
  • ハードウェアアクセラレーション: GPUアクセラレーションのためのCUDAをサポートしており、モデルのトレーニングと推論の高速化に不可欠です。

Link to this sectionTorchScript#

TorchScriptは、モデルをC++ランタイム環境で実行可能にするためにエクスポートできるようにすることで、PyTorchの機能を拡張します。これは、Pythonが利用できない本番環境に適しています。

  • パフォーマンスベンチマーク: 特に本番環境において、ネイティブのPyTorchよりもパフォーマンスが向上する可能性があります。
  • 互換性と統合: PyTorchからC++本番環境へのシームレスな移行のために設計されていますが、一部の高度な機能は完全に変換されない場合があります。
  • コミュニティサポートとエコシステム: PyTorchの巨大なコミュニティの恩恵を受けていますが、専門的な開発者の範囲はより狭くなります。
  • ケーススタディ: Pythonのパフォーマンスオーバーヘッドがボトルネックとなる業界環境で広く使用されています。
  • メンテナンスとアップデート: PyTorchと並行してメンテナンスされ、一貫したアップデートが行われます。
  • セキュリティ上の考慮事項: 完全なPythonインストールを必要とせずにモデルを実行できるようにすることで、セキュリティを向上させます。
  • ハードウェアアクセラレーション: PyTorchのCUDAサポートを引き継ぎ、効率的なGPU活用を保証します。

Link to this sectionONNX#

Open Neural Network Exchange (ONNX) は、異なるフレームワーク間でのモデルの相互運用性を可能にする形式であり、多様なプラットフォームにデプロイする際に重要となる場合があります。

  • パフォーマンスベンチマーク: ONNXモデルは、デプロイ先の特定のランタイムによってパフォーマンスが変動する可能性があります。
  • 互換性と統合: フレームワークに依存しない性質により、複数のプラットフォームやハードウェア間で高い相互運用性を発揮します。
  • コミュニティサポートとエコシステム: 多くの組織によってサポートされており、広範なエコシステムと多様な最適化ツールが存在します。
  • ケーススタディ: 異なる機械学習フレームワーク間でモデルを移行するために頻繁に使用され、その柔軟性が証明されています。
  • メンテナンスとアップデート: オープンスタンダードとして、新しい演算やモデルをサポートするために定期的に更新されています。
  • セキュリティ上の考慮事項: 他のクロスプラットフォームツールと同様に、変換およびデプロイパイプラインにおいてセキュアなプラクティスを確保することが不可欠です。
  • ハードウェアアクセラレーション: ONNX Runtimeを使用することで、モデルはさまざまなハードウェア最適化を活用できます。

Link to this sectionOpenVINO#

OpenVINOは、Intelハードウェア全体でディープラーニングモデルのデプロイを促進し、パフォーマンスと速度を向上させるために設計されたIntelのツールキットです。

  • パフォーマンスベンチマーク: IntelのCPU、GPU、VPU向けに特別に最適化されており、互換性のあるハードウェアで大幅なパフォーマンス向上を実現します。
  • 互換性と統合: Intelエコシステム内で最も効果的に動作しますが、他のさまざまなプラットフォームもサポートしています。
  • コミュニティサポートとエコシステム: Intelによって支援されており、特にコンピュータービジョン分野で強固なユーザーベースを持っています。
  • ケーススタディ: Intelハードウェアが普及しているIoTやエッジコンピューティングのシナリオで頻繁に利用されています。
  • メンテナンスとアップデート: IntelはOpenVINOを定期的に更新し、最新のディープラーニングモデルとIntelハードウェアをサポートしています。
  • セキュリティ上の考慮事項: 機密性の高いアプリケーションへのデプロイに適した堅牢なセキュリティ機能を提供します。
  • ハードウェアアクセラレーション: Intelハードウェアでのアクセラレーション向けに調整されており、専用の命令セットとハードウェア機能を活用します。

OpenVINOを使用したデプロイメントの詳細については、Ultralyticsの統合ドキュメントIntel OpenVINOエクスポートを参照してください。

Link to this sectionTensorRT#

TensorRTは、NVIDIAによる高性能ディープラーニング推論オプティマイザおよびランタイムであり、速度と効率を必要とするアプリケーションに最適です。

  • パフォーマンスベンチマーク: 高速推論をサポートし、NVIDIA GPUで最高レベルのパフォーマンスを発揮します。
  • 互換性と統合: NVIDIAハードウェアに最適化されており、この環境外でのサポートは限定的です。
  • コミュニティサポートとエコシステム: NVIDIAの開発者フォーラムやドキュメントを通じて、強力なサポートネットワークが構築されています。
  • ケーススタディ: ビデオや画像データに対するリアルタイム推論を必要とする業界で広く採用されています。
  • メンテナンスとアップデート: NVIDIAはTensorRTをメンテナンスし、パフォーマンス向上と新しいGPUアーキテクチャのサポートのために頻繁に更新を行っています。
  • セキュリティ上の考慮事項: 多くのNVIDIA製品と同様にセキュリティを重視していますが、詳細はデプロイ環境に依存します。
  • ハードウェアアクセラレーション: NVIDIA GPU専用に設計されており、詳細な最適化とアクセラレーションを提供します。

TensorRTのデプロイメントの詳細については、TensorRT統合ガイドをご確認ください。

Link to this sectionCoreML#

CoreMLはAppleの機械学習フレームワークであり、iOS、macOS、watchOS、tvOSを含むAppleエコシステム内でのオンデバイスパフォーマンスに最適化されています。

  • パフォーマンスベンチマーク: Appleハードウェアでのオンデバイスパフォーマンスに最適化されており、バッテリー消費を最小限に抑えます。
  • 互換性と統合: Appleエコシステム専用であり、iOSおよびmacOSアプリケーション向けに効率的なワークフローを提供します。
  • コミュニティサポートとエコシステム: Appleからの強力なサポートと献身的な開発者コミュニティがあり、豊富なドキュメントとツールが用意されています。
  • ケーススタディ: Apple製品上でオンデバイス機械学習機能を必要とするアプリケーションで一般的に使用されています。
  • メンテナンスとアップデート: 最新の機械学習の進歩とAppleハードウェアをサポートするため、Appleによって定期的に更新されています。
  • セキュリティ上の考慮事項: ユーザーのプライバシーとデータセキュリティを重視するAppleの姿勢の恩恵を受けています。
  • ハードウェアアクセラレーション: AppleのニューラルエンジンとGPUを最大限に活用し、機械学習タスクを高速化します。

Link to this sectionTF SavedModel#

TF SavedModelは、機械学習モデルを保存および配信するためのTensorFlowの形式であり、特にスケーラブルなサーバー環境に適しています。

  • パフォーマンスベンチマーク: サーバー環境、特にTensorFlow Servingと組み合わせた場合にスケーラブルなパフォーマンスを提供します。
  • 互換性と統合: クラウドやエンタープライズサーバーのデプロイメントを含む、TensorFlowエコシステム全体で高い互換性があります。
  • コミュニティサポートとエコシステム: TensorFlowの人気により大規模なコミュニティサポートがあり、デプロイと最適化のためのツールが多数揃っています。
  • ケーススタディ: ディープラーニングモデルを大規模に配信するための本番環境で広く使用されています。
  • メンテナンスとアップデート: GoogleとTensorFlowコミュニティによってサポートされており、定期的な更新と新機能が保証されています。
  • セキュリティ上の考慮事項: TensorFlow Servingを使用したデプロイメントには、エンタープライズグレードのアプリケーション向けの堅牢なセキュリティ機能が含まれています。
  • ハードウェアアクセラレーション: TensorFlowのバックエンドを通じて、さまざまなハードウェアアクセラレーションをサポートしています。

Link to this sectionTF GraphDef#

TF GraphDefは、モデルをグラフとして表現するTensorFlow形式であり、静的な計算グラフが必要な環境で役立ちます。

  • パフォーマンスベンチマーク: 一貫性と信頼性に焦点を当て、静的計算グラフに対して安定したパフォーマンスを提供します。
  • 互換性と統合: TensorFlowのインフラストラクチャ内では容易に統合されますが、SavedModelと比較すると柔軟性は低くなります。
  • コミュニティサポートとエコシステム: TensorFlowエコシステムからの良好なサポートがあり、静的グラフの最適化に利用できる多くのリソースがあります。
  • ケーススタディ: 特定の組み込みシステムなど、静的グラフが必要なシナリオで有用です。
  • メンテナンスとアップデート: TensorFlowのコアアップデートと並行して定期的に更新されています。
  • セキュリティ上の考慮事項: TensorFlowの確立されたセキュリティプラクティスにより、安全なデプロイメントを保証します。
  • ハードウェアアクセラレーション: SavedModelほど柔軟ではありませんが、TensorFlowのハードウェアアクセラレーションオプションを利用可能です。

TF GraphDefの詳細については、TF GraphDef統合ガイドをご覧ください。

Link to this sectionTF Lite#

TF Liteは、モバイルおよび組み込みデバイス向けの機械学習を実現するTensorFlowのソリューションであり、オンデバイス推論のための軽量ライブラリを提供します。

  • パフォーマンスベンチマーク: モバイルおよび組み込みデバイスでの速度と効率のために設計されています。
  • 互換性と統合: 軽量な性質のため、広範囲のデバイスで使用可能です。
  • コミュニティサポートとエコシステム: Googleの支援を受けており、強固なコミュニティと、開発者向けの増加し続けるリソースがあります。
  • ケーススタディ: 最小限のフットプリントでオンデバイス推論を必要とするモバイルアプリケーションで人気があります。
  • メンテナンスとアップデート: モバイルデバイス向けの最新機能や最適化を含め、定期的に更新されています。
  • セキュリティ上の考慮事項: エンドユーザーのデバイスでモデルを実行するための安全な環境を提供します。
  • ハードウェアアクセラレーション: GPUやDSPを含む、さまざまなハードウェアアクセラレーションオプションをサポートしています。

Link to this sectionTF Edge TPU#

TF Edge TPUは、GoogleのEdge TPUハードウェア上での高速かつ効率的なコンピューティングのために設計されており、リアルタイム処理を必要とするIoTデバイスに最適です。

  • パフォーマンスベンチマーク: GoogleのEdge TPUハードウェアでの高速かつ効率的なコンピューティングのために特別に最適化されています。
  • 互換性と統合: Edge TPUデバイス上のTensorFlow Liteモデルでのみ動作します。
  • コミュニティサポートとエコシステム: Googleおよびサードパーティ開発者によって提供されるリソースにより、サポートが拡大しています。
  • ケーススタディ: 低遅延でリアルタイム処理を必要とするIoTデバイスやアプリケーションで使用されています。
  • メンテナンスとアップデート: 新しいEdge TPUハードウェアリリースの機能を活用するために継続的に改善されています。
  • セキュリティ上の考慮事項: IoTおよびエッジデバイス向けのGoogleの堅牢なセキュリティ機能と統合されています。
  • ハードウェアアクセラレーション: Google Coralデバイスを最大限に活用するようにカスタム設計されています。

Link to this sectionHailo HEF#

Hailo HEFは、Hailo-8、Hailo-8L、およびHailo-15デバイスを含む、Hailo AIアクセラレータ向けのコンパイル済み実行可能形式です。Ultralytics YOLO検出モデルは、最初にONNXにエクスポートされ、その後外部のHailo Dataflow Compilerを使用してHEFにコンパイルされます。HEFは直接的なUltralyticsエクスポート対象ではありません。サポートされているエッジアクセラレーションワークフローについては、まずAxelera AIおよびDeepXと比較してください。

  • パフォーマンスベンチマーク: Hailoハードウェア、Hailo SDKバージョン、モデルスクリプト、NMS構成、およびキャリブレーションデータに依存します。
  • 互換性と統合: Hailo搭載の組み込みシステム、産業用ゲートウェイ、およびRaspberry Pi AI Kitのデプロイメント専用です。
  • コミュニティサポートとエコシステム: Hailo Developer Zone、HailoRT、TAPPAS、および Hailo Model Zoo を通じてサポートされています。
  • ユースケース: カメラ、ロボット工学、アクセス制御、スマートシティ、産業用検査デバイスでのリアルタイム物体検出に有用です。
  • メンテナンスとアップデート: 新しいアクセラレータターゲットに対応するため、Hailo SDK、ファームウェア、およびモデルzooのアップデートに依存します。
  • セキュリティの考慮事項: データがエッジに残るローカルなオンデバイス推論をサポートします。
  • ハードウェアアクセラレーション: コンパイルされた HEF アーティファクトを通じて Hailo NPU の実行を使用します。

ステップバイステップのワークフローについては、Hailo 統合ガイドを参照してください。

Link to this sectionTF.js#

TensorFlow.js (TF.js) は、機械学習機能をブラウザに直接提供するライブラリであり、Web 開発者とユーザーの両方に新たな可能性をもたらします。バックエンドインフラストラクチャを必要とせずに、Web アプリケーションに機械学習モデルを統合できます。

  • パフォーマンスベンチマーク: クライアントデバイスに応じて、ブラウザ内で合理的なパフォーマンスで機械学習を直接実行できます。
  • 互換性と統合: Web テクノロジーとの互換性が高く、Web アプリケーションへの統合が容易です。
  • コミュニティサポートとエコシステム: Web および Node.js 開発者のコミュニティからのサポートがあり、ブラウザに ML モデルをデプロイするためのさまざまなツールがあります。
  • ユースケース: サーバー側の処理を必要とせずに、クライアント側の機械学習を活用できるインタラクティブな Web アプリケーションに最適です。
  • メンテナンスとアップデート: TensorFlow チームによってメンテナンスされており、オープンソースコミュニティからの貢献も受けています。
  • セキュリティの考慮事項: ブラウザの安全なコンテキスト内で実行され、Web プラットフォームのセキュリティモデルを利用します。
  • ハードウェアアクセラレーション: WebGL などのハードウェアアクセラレーションにアクセスする Web ベースの API によってパフォーマンスを向上させることができます。

Link to this sectionPaddlePaddle#

PaddlePaddle は、Baidu が開発したオープンソースのディープラーニングフレームワークです。研究者にとって効率的であり、開発者にとって使いやすいように設計されています。特に中国で普及しており、中国語処理に対する専門的なサポートを提供しています。

  • パフォーマンスベンチマーク: 使いやすさとスケーラビリティに重点を置いた、競争力のあるパフォーマンスを提供します。
  • 互換性と統合: Baidu のエコシステム内で十分に統合されており、幅広いアプリケーションをサポートしています。
  • コミュニティサポートとエコシステム: 世界的なコミュニティは小さいものの、特に中国で急速に拡大しています。
  • ユースケース: 中国市場で一般的に使用されており、他の主要なフレームワークの代替を探している開発者に利用されています。
  • メンテナンスとアップデート: 中国語の AI アプリケーションとサービスを提供することに重点を置き、定期的にアップデートされています。
  • セキュリティの考慮事項: データプライバシーとセキュリティを重視し、中国のデータガバナンス基準に対応しています。
  • ハードウェアアクセラレーション: Baidu 独自の Kunlun チップを含む、さまざまなハードウェアアクセラレーションをサポートしています。

Link to this sectionMNN#

MNN は、非常に効率的で軽量なディープラーニングフレームワークです。ディープラーニングモデルの推論とトレーニングをサポートし、オンデバイスでの推論とトレーニングにおいて業界をリードするパフォーマンスを備えています。さらに、MNN は IoT などの組み込みデバイスでも使用されています。

  • パフォーマンスベンチマーク: ARM システムに最適化されており、モバイルデバイスに対して高いパフォーマンスを発揮します。
  • 互換性と統合: モバイルおよび組み込み ARM システム、および X86-64 CPU アーキテクチャで適切に動作します。
  • コミュニティサポートとエコシステム: モバイルおよび組み込み機械学習コミュニティによってサポートされています。
  • ユースケース: モバイルシステムで効率的なパフォーマンスを必要とするアプリケーションに最適です。
  • メンテナンスとアップデート: モバイルデバイスで高いパフォーマンスを維持するために定期的にメンテナンスされています。
  • セキュリティの考慮事項: データをローカルに保持することで、オンデバイスのセキュリティ上の利点を提供します。
  • ハードウェアアクセラレーション: 最大限の効率を得るために、ARM CPU および GPU に最適化されています。

Link to this sectionNCNN#

NCNN は、モバイルプラットフォーム向けに最適化された高性能ニューラルネットワーク推論フレームワークです。軽量で効率的であるという特徴があり、リソースが制限されているモバイルデバイスや組み込みデバイスに特に適しています。

  • パフォーマンスベンチマーク: モバイルプラットフォーム向けに高度に最適化されており、ARM ベースのデバイスで効率的な推論を提供します。
  • 互換性と統合: ARM アーキテクチャを備えた携帯電話や組み込みシステム上のアプリケーションに適しています。
  • コミュニティサポートとエコシステム: モバイルおよび組み込み ML アプリケーションに焦点を当てた、小規模ながら活発なコミュニティによってサポートされています。
  • ユースケース: Android やその他の ARM ベースのシステムにおいて、効率と速度が重要となるモバイルアプリケーションで好まれています。
  • メンテナンスとアップデート: さまざまな ARM デバイスで高いパフォーマンスを維持するために継続的に改善されています。
  • セキュリティの考慮事項: オンデバイス処理の本来のセキュリティを活用し、デバイス上でローカルに実行することに重点を置いています。
  • ハードウェアアクセラレーション: ARM CPU および GPU に合わせて調整されており、これらのアーキテクチャに対して特定の最適化が行われています。

Link to this sectionYOLO26デプロイオプションの比較分析#

次の表は、YOLO26 モデルで利用可能なさまざまなデプロイメントオプションのスナップショットを提供しており、いくつかの重要な基準に基づいてプロジェクトのニーズにどれが最適かを評価するのに役立ちます。各デプロイメントオプションの形式の詳細については、エクスポート形式に関する Ultralytics ドキュメントページを参照してください。

デプロイメントオプションパフォーマンスベンチマーク互換性と統合コミュニティサポートとエコシステムユースケースメンテナンスとアップデートセキュリティの考慮事項ハードウェアアクセラレーション
PyTorch優れた柔軟性; 生のパフォーマンスとトレードオフになる可能性がありますPython ライブラリとの優れた互換性豊富なリソースとコミュニティ研究およびプロトタイプ定期的な活発な開発デプロイメント環境に依存GPU アクセラレーションのための CUDA サポート
TorchScriptPyTorch よりも本番環境に適しているPyTorch から C++ へのスムーズな移行専門的ですが PyTorch よりも限定的Python がボトルネックとなる業界PyTorch との一貫したアップデートPython 全体を含まないことによるセキュリティの向上PyTorch から CUDA サポートを継承
ONNXランタイムによって異なる異なるフレームワーク間で高い互換性多くの組織にサポートされた幅広いエコシステムML フレームワーク間での柔軟性新しい演算に対する定期的なアップデート安全な変換とデプロイメントの実践を確保さまざまなハードウェア最適化
OpenVINOIntel ハードウェア向けに最適化Intel エコシステム内で最適コンピュータビジョン分野で堅実Intel ハードウェアを使用した IoT およびエッジIntel ハードウェア向けの定期的なアップデート機密性の高いアプリケーション向けの堅牢な機能Intel ハードウェア向けに調整
TensorRTNVIDIA GPU で最高レベルNVIDIA ハードウェアに最適NVIDIA を通じた強力なネットワークリアルタイムのビデオおよび画像推論新しい GPU に対する頻繁なアップデートセキュリティを重視NVIDIA GPU 向けに設計
CoreMLオンデバイスの Apple ハードウェアに最適化Apple エコシステム専用強力な Apple と開発者のサポートApple 製品でのオンデバイス MLApple の定期的なアップデートプライバシーとセキュリティに重点を置くApple Neural Engine および GPU
TF SavedModelサーバー環境でスケーラブルTensorFlow エコシステム内での幅広い互換性TensorFlow の人気による大規模なサポート大規模なモデルの提供Google とコミュニティによる定期的なアップデートエンタープライズ向けの堅牢な機能さまざまなハードウェアアクセラレーション
TF GraphDef静的計算グラフに対して安定TensorFlow インフラストラクチャとうまく統合静的グラフを最適化するためのリソース静的グラフを必要とするシナリオTensorFlowコアに合わせたアップデート確立されたTensorFlowセキュリティプラクティスTensorFlowアクセラレーションオプション
TF Liteモバイル/組み込み環境での速度と効率性幅広いデバイスサポート堅牢なコミュニティ、Googleのサポートフットプリントを最小限に抑えたモバイルアプリケーションモバイル向けの最新機能エンドユーザーデバイス上でのセキュアな環境GPUやDSPなど
TF Edge TPUGoogleのEdge TPUハードウェア向けに最適化Edge TPUデバイス専用Googleおよびサードパーティのリソースと共に成長リアルタイム処理を必要とするIoTデバイス新しいEdge TPUハードウェア向けの改善Googleの堅牢なIoTセキュリティGoogle Coral向けにカスタム設計
Hailo HEFハードウェア固有であり、外部でコンパイル済みHailoデバイスおよびRaspberry Pi AI KitHailo Developer ZoneおよびModel Zoo既存のHailoデプロイメントHailo SDKおよびファームウェアアップデートデバイス内での推論によりデータをローカルに保持HEFアーティファクト経由のHailo NPU
TF.jsブラウザ内での妥当なパフォーマンスウェブ技術で高いパフォーマンスを実現WebおよびNode.js開発者のサポートインタラクティブなWebアプリケーションTensorFlowチームおよびコミュニティによる貢献WebプラットフォームセキュリティモデルWebGLやその他のAPIによる拡張
PaddlePaddle競争力があり、使いやすくスケーラブルBaiduエコシステム、幅広いアプリケーションサポート特に中国で急成長中中国市場と言語処理中国のAIアプリケーションに注力データプライバシーとセキュリティを重視BaiduのKunlunチップを含む
MNNモバイルデバイス向けの高性能。モバイルおよび組み込みARMシステムとX86-64 CPUモバイル/組み込みMLコミュニティモバイルシステムの効率性モバイルデバイスにおける高性能な保守オンデバイスセキュリティの利点ARM CPUおよびGPUの最適化
NCNNモバイルARMベースデバイス向けに最適化モバイルおよび組み込みARMシステムニッチだが活発なモバイル/組み込みMLコミュニティAndroidおよびARMシステムの効率性ARMにおける高性能な保守オンデバイスセキュリティの利点ARM CPUおよびGPUの最適化

この比較分析は、概要を把握するためのものです。デプロイメントに際しては、プロジェクトの具体的な要件と制約を考慮し、各オプションの詳細なドキュメントと利用可能なリソースを確認することが不可欠です。

Link to this sectionコミュニティとサポート#

YOLO26を始める際には、役立つコミュニティとサポートが大きな違いを生みます。興味を共有する他のユーザーとつながり、必要な支援を受ける方法は以下の通りです。

Link to this sectionより広範なコミュニティとの交流#

  • GitHub Discussions: YOLO26リポジトリ(GitHub) には、質問をしたり、問題を報告したり、改善を提案したりできる「Discussions」セクションがあります。
  • Ultralytics Discord Server: Ultralyticsには、他のユーザーや開発者と交流できるDiscordサーバーがあります。

Link to this section公式ドキュメントとリソース#

  • Ultralytics YOLO26 Docs: 公式ドキュメントでは、YOLO26の包括的な概要に加えて、インストール、使用方法、トラブルシューティングに関するガイドを提供しています。

これらのリソースは、課題に取り組み、YOLO26コミュニティの最新のトレンドやベストプラクティスを把握するのに役立ちます。

Link to this section結論#

このガイドでは、YOLO26のさまざまなデプロイメントオプションについて解説しました。また、選択する際に考慮すべき重要な要因についても説明しました。これらのオプションを使用すると、さまざまな環境やパフォーマンス要件に合わせてモデルをカスタマイズでき、実世界のアプリケーションに適したものにすることができます。

YOLO26およびUltralyticsコミュニティが貴重なヘルプ源であることを忘れないでください。他の開発者や専門家とつながり、通常のドキュメントでは得られない独自のヒントや解決策を学びましょう。知識を追求し、新しいアイデアを探求し、経験を共有し続けてください。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionさまざまなハードウェアプラットフォームにおけるYOLO26のデプロイメントオプションにはどのようなものがありますか？#

Ultralytics YOLO26は、特定の環境やハードウェアプラットフォーム向けに設計されたさまざまなデプロイメントフォーマットをサポートしています。主要なフォーマットは以下の通りです：

  • PyTorch: 研究やプロトタイピング向け。優れたPython統合を提供します。
  • TorchScript: Pythonが使用できない本番環境向け。
  • ONNX: クロスプラットフォームの互換性とハードウェアアクセラレーション向け。
  • OpenVINO: Intelハードウェアでのパフォーマンス最適化向け。
  • TensorRT: NVIDIA GPUでの高速推論向け。

各フォーマットには独自の利点があります。詳細な手順については、エクスポートプロセスのドキュメントを参照してください。

Link to this sectionIntel CPU上でYOLO26モデルの推論速度を向上させるにはどうすればよいですか？#

Intel CPUでの推論速度を向上させるには、IntelのOpenVINOツールキットを使用してYOLO26モデルをデプロイできます。OpenVINOは、Intelハードウェアを効率的に活用するようにモデルを最適化し、大幅なパフォーマンス向上を実現します。

  1. model.export()関数を使用して、YOLO26モデルをOpenVINOフォーマットに変換してください。
  2. Intel OpenVINOエクスポートのドキュメントにある詳細なセットアップガイドに従ってください。

さらなる洞察については、当社のブログ投稿をご覧ください。

Link to this sectionYOLO26モデルをモバイルデバイスにデプロイできますか？#

はい、YOLO26モデルは、AndroidおよびiOSプラットフォームの両方でTensorFlow Lite (TF Lite)を使用してモバイルデバイスにデプロイできます。TF Liteはモバイルおよび組み込みデバイス向けに設計されており、効率的なオンデバイス推論を提供します。

例
# Export command for TFLite format
model.export(format="tflite")

モバイルへのモデルデプロイメントの詳細については、TF Lite統合ガイドを参照してください。

Link to this sectionYOLO26モデルのデプロイメントフォーマットを選択する際、どのような要素を考慮すべきですか？#

YOLO26のデプロイメントフォーマットを選択する際は、以下の要素を考慮してください：

  • パフォーマンス: TensorRTのようなフォーマットはNVIDIA GPUで非常に高速ですが、OpenVINOはIntelハードウェアに最適化されています。
  • 互換性: ONNXは、異なるプラットフォーム間で幅広い互換性を提供します。
  • 統合の容易さ: CoreMLやTF Liteのようなフォーマットは、それぞれiOSやAndroidなどの特定のエコシステムに合わせて調整されています。
  • コミュニティサポート: PyTorchやTensorFlowのようなフォーマットは、広範なコミュニティリソースとサポートを備えています。

比較分析については、エクスポートフォーマットのドキュメントを参照してください。

Link to this sectionWebアプリケーションにYOLO26モデルをデプロイするにはどうすればよいですか？#

WebアプリケーションにYOLO26モデルをデプロイするには、TensorFlow.js (TF.js)を使用できます。これにより、ブラウザ内で直接機械学習モデルを実行できます。このアプローチにより、バックエンドインフラストラクチャが不要になり、リアルタイムのパフォーマンスが提供されます。

  1. YOLO26モデルをTF.jsフォーマットにエクスポートします。
  2. エクスポートされたモデルをWebアプリケーションに統合します。

手順については、TensorFlow.js統合ガイドを参照してください。

貢献者
GLglenn-jocher17AMambitious-octopus1RAraimbekovm1PDpderrenger1RIRizwanMunawar1LEleonnil1WAwangzhaode1MAMatthewNoyce1

コメント